DE60126708T2

DE60126708T2 - Method and system for industrial operator guidance by means of predictive alarm detection

Info

Publication number: DE60126708T2
Application number: DE60126708T
Authority: DE
Inventors: Bharat R. Robbinsville Rao; Scott T. Princeton Rickard
Original assignee: Siemens Corporate Research Inc
Current assignee: Siemens Corp
Priority date: 2000-06-30
Filing date: 2001-06-29
Publication date: 2007-10-25
Anticipated expiration: 2021-06-30
Also published as: EP1168131B1; EP1168131A1; ATE354822T1; DE60126708D1

Abstract

A system for industrial operator guidance utilizes prediction-based alarm recognition and, more specifically, it utilizes the prediction of future plant sensor readings based on past readings to continuously determine if the current plant state matches past alarm plant states for the guidance of plant operators. <IMAGE>

Description

Die vorliegende Erfindung betrifft das Gebiet der industriellen Bedienerführung mittels prädiktiver Alarmerkennung, und insbesondere ein Verfahren, das die auf vergangenen Messwerten basierende Vorhersage zukünftiger Anlagesensormesswerte benutzt, um zur Führung von Anlagenbedienern ständig zu bestimmen, ob ein gegenwärtiger Anlagenzustand vergangenen Alarmzuständen entspricht.The The present invention relates to the field of industrial operator guidance by means of predictive alarm detection, and, in particular, a method based on past readings based prediction of future Plant sensor readings used to lead to the operation of plant operators constantly too determine if a present one System status corresponds to past alarm conditions.

Bei industriellen Herstellungs- oder Verarbeitungsvorgängen ist es allgemein wünschenswert, dass zur Überwachung und Steuerung der Aktivitäten Echtzeitdaten bereitgestellt werden. Obwohl hier auf Herstellungsprozesse Bezug genommen wird, versteht es sich, dass ähnliche Gedanken im Allgemeinen auch auf Verarbeitungsvorgänge anwendbar sind. Herstellungsanlagen weisen üblicherweise Systeme auf, die Daten von mehreren Sensoren erfassen, anzeigen und speichern. Herstellungsanlagen sind allgemein mit mehreren Sensoren ausgerüstet, möglicherweise hunderten davon, die in vielen Fällen ständig erfasst werden, um Echtzeitinformation an die Anlagenbediener bereitzustellen. Diese Sensorinformation, zu der Steuersignale gehören, enthält im Allgemeinen wertvolle Information zu Trends im Anlagenbetrieb. Der Wert der Information ist auch eine Funktion ihrer schnellen Verfügbarkeit in nutzbarer Form, wobei diese Trends aufgrund der Hochdimensionalität und der Größe der Daten in der Praxis schwer zu erkennen und zu bewerten sein können. In den Sensordaten kann wertvolle Information zu Mustern und Trends im Anlagenbetrieb verborgen sein, beispielsweise Information, welche die Anlagenbediener auf gefährliche Anlagenzustände hinweist. Das Extrahieren dieser Muster kann schwierig sein, insbesondere dann, wenn die Größe und Dimensionalität der Daten hoch ist. Siehe beispielsweise Fayyad, U.M., 1996 „From data mining to knowledge discovery: An overview", in Fayyad, U.M. et al., Ed. ADVANCES IN KNOWLEDGE DISCOVERY AND DATA MINING. MIT Press 1-35; und Locher, G., 1996, Automatic knowledge acquisition in industrial processes using the example of roller grinding mill, ZKG International 49(8).at industrial manufacturing or processing operations it is generally desirable that for monitoring and controlling the activities Real-time data is provided. Although here on manufacturing processes It is understood that similar thoughts in general also on processing operations are applicable. Manufacturing plants usually have systems that Collect, display and save data from multiple sensors. Manufacturing plants are generally equipped with several sensors, possibly hundreds of them, which is constantly recorded in many cases to provide real-time information to plant operators. This sensor information, which includes control signals, generally includes valuable information on trends in plant operation. The value of Information is also a function of their quick availability in usable form, these trends being due to the high dimensionality and the Size of the data difficult to identify and evaluate in practice. In the Sensor data can provide valuable information about patterns and trends in the field Plant operation be hidden, for example, information which the plant operators on dangerous plant conditions points. Extracting these patterns can be difficult, especially then, if the size and dimensionality of the data is high. See, for example, Fayyad, U.M., 1996 "From data mining to knowledge discovery: An overview ", in Fayyad, U. M. et al., Ed., ADVANCES IN KNOWLEDGE DISCOVERY AND DATA MINING. WITH Press 1-35; and punches, G., 1996, Automatic Knowledge Acquisition in Industrial Processes Using the example of roller grinding mill, ZKG International 49 (8).

In einer typischen Situation kann ein Anlagenbediener versuchen, zu bestimmen, ob der gegenwärtige Anlagenzustand normal ist, oder ob ein Alarmzustand vorliegt und eine Änderung notwendig sein kann, um eine unerwünschte oder potentiell gefährliche Situation zu vermeiden. Ein Bediener kann eine solche Entscheidung üblicherweise durch optisches Vergleichen aktueller Sensormesswerte von der Anlage mit großen, papierbasierten Aufzeichnungen vergangener Sensormesswerte treffen. Wenn ähnliche Situationen entdeckt werden, kann der Aufseher bestimmen, ob der vergangene Zustand ein Alarmzustand war, und wenn ja, überprüfen, welche Steuerungsaktion durchgeführt wurde und welche Auswirkungen diese hatte, und kann die geeignete Steuerungsaktion für die gegenwärtige Situation wählen. Ein solcher Prozess der Entscheidungsfindung benötigt bis zum Abschluss natürlich eine gewisse Zeit, und weist Leistungsbegrenzungen sowohl im Erfahrungsumfang des Bedieners als auch in der Fähigkeit des Bedieners auf, große Datenmengen auf einmal zu vergleichen. Durch ein Erkennen von Alarmzuständen kann der Bediener die Anlage schneller und effektiver steuern, und mögliche Probleme durch Vermeiden vergangener Steuerungsfehler verhindern.In In a typical situation, a plant operator may try to determine if the current one System status is normal, or if an alarm condition exists and a change may be necessary to an undesirable or potentially dangerous Situation to avoid. An operator can usually make such a decision by optically comparing current sensor readings from the plant with big, make paper-based records of past sensor readings. If similar Situations can be discovered, the supervisor can determine if the past state was an alarm condition, and if so, check which control action carried out and what impact this had and can be the appropriate control action for the current Choose situation. Of course, such a process of decision-making requires one to complete certain time, and has performance limitations both in the scope of experience of the server as well as in the ability of the operator, big Compare data volumes at once. By detecting alarm conditions can The operator controls the system faster and more effectively, and possible problems Prevent past control errors by avoiding.

Es ist oft entscheidend, dass Alarmzustände so schnell wie möglich erkannt werden; es wäre nützlich, so schnell wie möglich zu wissen, dass sich ein Problem entwickelt, und die Krise nicht erst dann zu erkennen, wenn alle ihre Auswirkungen offensichtlich sind. Außerdem wäre es nützlich, in einer Krisensituation so schnell wie möglich zu wissen, welche vergangenen Steueraktionen geeignet sind. Ein Vorteil der prädiktiven Alarmerkennung ist, dass sie ein Abrufen von Krisensituationen erlaubt, bevor diese auftreten. Wenn es also möglich ist, eine Krisensituation vorherzusagen, ist es auch möglich, über prädiktive Alarmerkennung vergangene Alarmsituationen abzurufen, die der gegenwärtigen Situation ähnlich sind, und die anzeigen, dass eine Krise unmittelbar bevorsteht.It Often it is crucial that alarm conditions are detected as soon as possible become; it would be useful, as quickly as possible knowing that a problem is developing and the crisis is not only to recognize when all its effects are obvious. Furthermore would it be useful, in a crisis situation as soon as possible to know which past Control actions are appropriate. An advantage of predictive alarm detection is that it allows retrieval of crisis situations before this occur. So if it is possible is to predict a crisis situation, it is also possible via predictive alarm detection retrieve past alarm situations that are similar to the current situation, and indicating that a crisis is imminent.

Die Schwierigkeit jedes Verfahrens zur Alarmerkennung ist, dass der Messwert, der zu benutzen ist, um zu bestimmen, ob ein vergangener Anlagenzustand dem gegenwärtigen Anlagenzustand entspricht, unbekannt ist. Die Anlagenbediener selbst stellen oft widersprüchliche und schlecht definierte Messwerte bereit, auf die sie ihre optische Alarmerkennung zu stützen glauben.The Difficulty of any procedure for alarm detection is that of Measured value to use to determine if a past one Plant condition the current one System status corresponds, unknown. Set the system operator yourself often contradictory and poorly defined metrics ready for their visual To support alarm recognition believe.

Automatisierte Verfahren zur Alarmerkennung beruhen üblicherweise auf dem Vergleich von Rohdatenwerten und/oder gefilterten Sensorwerten. Die Filter sind oft statistische Standardmesswerte (z.B. Mittelwert) und Formerkennungsfilter (z.B. Erhebungsdetektor). Die Leistung dieser Verfahren sind oft unterdurchschnittlich, da sie auf der Vorstellung eines Konstrukteurs davon beruhen, was einen guten Messwert ausmacht, und nicht von Daten bestimmt werden. Außerdem kann die Komplexität des tatsächlich besten Messwerts komplexer sein als die Wiedergabekapazität der Standardfilter.automated Alert detection methods are usually based on the comparison raw data values and / or filtered sensor values. The filters are often standard statistical measurements (e.g., mean) and shape detection filters (e.g., survey detector). The performance of these procedures are often below average, as they are on the idea of a designer based on what makes a good reading and not of Data to be determined. Furthermore can the complexity of fact better than the playback capacity of the standard filters.

Eine andere Schwierigkeit üblicher Alarmerkennungsverfahren ist, dass die nötigen Berechnungen, die nötig sind, um alle Sensoren und verschiedenen Statistiken dieser Sensoren all denjenigen Werten zuzuordnen, die vergangenen Zeitpunkten entsprechen, oft innerhalb des Zeitintervalls, in dem die resultierende Erkennungsinformation von Nutzen wäre, unmöglich durchführbar sind. Ein Verfahren, mit dem Konstrukteure von Alarmerkennungssystemen dieses Problem abgemildert haben, besteht in der Reduzierung der Anzahl von Sensoren, die zur Alarmerkennung berücksichtigt werden, des Umfangs der Historie jedes Sensors, und/oder der Anzahl vergangener Zeitpunkte, die zur Alarmerkennung berücksichtigt werden. Da die für die Alarmerkennung entscheidenden Parameter oft unbekannt sind, verhindert diese Reduzierung der Komplexität oft die korrekte Bestimmung des Anlagenzustands, auf der die Alarmerkennung beruhen sollte, was zu einer unterdurchschnittlichen Leistung führt.Another difficulty of conventional alarm recognition methods is that the necessary calculations necessary to assign all the sensors and various statistics of these sensors to all the values corresponding to past times, often within the time interval in which the resulting detection information is of use would be impossible to carry out. One method by which alarm system designers have mitigated this problem is to reduce the number of sensors considered for alarm detection, the amount of history of each sensor, and / or the number of historical times taken into account for alarm detection. Since the parameters that are critical to alarm detection are often unknown, this reduction in complexity often prevents the correct determination of the health of the equipment on which the alarm detection should be based, resulting in underperformance.

Alternativ können die von den Konstrukteuren ausgewählten Sensoren, auch wenn sie hinsichtlich der Charakterisierung von Alarmsituationen richtig gewählt wurden, nicht optimal zur schnellstmöglichen Charakterisierung von Situationen geeignet sein. Beispielsweise kann eine Krisensituation erkannt werden, wenn der Wert eines bestimmten Sensors x unter einen bestimmten Schwellenwert fällt. Allerdings kann es sein, dass dies erst zu einem späten Zeitpunkt in der Krisensituation erkannt wird; andere Variablen, y, z, und w, die, obwohl sie nicht ausreichen, um die Krisensituation so präzise wie x zu identifizieren, können zusammen genommen Information enthalten, anhand derer die Krisensituation weit im Voraus vorhergesagt werden kann. Der zukünftige Abfall des Werts von x kann also durch die gegenwärtigen Werte und Trends der Variablen y, z, und w vorhergesagt werden. Bei dem genannten Szenario würde eine prädiktive Alarmerkennung die Identifizierung einer solchen Krisensituation durch die Vorhersage erlauben, dass der Wert von x in Zukunft abfallen wird, wobei diese Vorhersage wahrscheinlich auf den Werten von y, z, und w basiert.alternative can the sensors selected by the designers, even if they regarding the characterization of alarm situations correctly chosen were not optimal for the fastest possible characterization of Situations suitable. For example, a crisis situation be recognized when the value of a particular sensor x under a certain threshold. However, this may not be until late is recognized in the crisis situation; other variables, y, z, and w, although they are insufficient to handle the crisis situation as precisely as x can identify taken together contain information based on which the crisis situation can be predicted far in advance. The future drop in the value of So x can be influenced by the present Values and trends of variables y, z, and w are predicted. In the mentioned scenario would a predictive Alarmerkennung the identification of such a crisis situation by predicting that the value of x will drop in the future this prediction is likely based on the values of y, z, and w is based.

Ein Maschinenfehlerdiagnosesystem ist in US-Patentschrift 5,566,092 offenbart, wobei eine Hypothese und ein Prozess, die auf unscharfer Logik und physikalischen Lagermodellen beruhen, mit dem Fehlerdiagnosenetzwerk zum Entdecken von Fehlern zusammenwirken, die nicht erkannt werden können.One Machine fault diagnosis system is disclosed in U.S. Patent No. 5,566,092 revealing a hypothesis and a process that is blurred Logic and physical bearing models are based, with the fault diagnosis network work together to discover mistakes that are not recognized can.

Eine Aufgabe dieser Erfindung ist es, ein Verfahren zur Alarmerkennung zu definieren, das nicht nur auf den aktuellen Werten der Sensoren beruht, sondern vielmehr auf den zukünftigen vorhergesagten Werten der Sensoren.A The object of this invention is a method for alarm detection to define that not only on the current values of the sensors but rather on the future predicted values the sensors.

Eine andere Aufgabe der Erfindung ist es, ein System zu entwickeln, das automatisch beispielsweise in einer Zementanlage eingesetzt werden kann, und das nach einer ersten Trainingsphase, die ein „Zuschauen" und Lernen aus dem Sensorverhalten umfasst, benutzt werden kann, um vergangene Anlagenalarmzustände wieder aufzurufen, die den aktuellen Anlagenzuständen ähnlich sind, um den Anlagenbediener bei der Steuerung der Anlage zu unterstützen.A Another object of the invention is to develop a system that can be automatically used for example in a cement plant, and that after a first training phase, which is a "watching" and learning from the Sensor behavior can be used to recover past system alarm conditions which are similar to the current system states to the plant operator to assist in the control of the plant.

Gemäß einem Aspekt der Erfindung ist ein Verfahren zum Abrufen vergangener Alarmzustände oder Situationen C_i, die einem aktuellen Anlagenzustand oder einer aktuellen Situation C gleichen, zur Führung eines Anlagenbedieners bereitgestellt, wobei die Anlage mehrere Sensoren aufweist, die jeweilige Parameterwerte (x_i(t)) bereitstellen, wobei das Verfahren folgende Schritte aufweist: Zusammenstellen einer Datenbank mit Sensormesswerten; Festlegen einer Untergruppe S von s Sensoren aus der Vielzahl von Sensoren; Festlegen einer Untergruppe N von h Vorhersagezeitpunkten; Festlegen und Trainieren eines Modells M für die Datenbank mit Sensormesswerten, um Vorhersagen zukünftiger Werte (x n / i(t)) für die s Sensoren S für die h Zeitpunkte in N bereitzustellen; Festlegen einer Breite w, die als die Anzahl von Zeitpunkten von Sensordaten zu benutzen ist, welche für eine Situation zu berücksichtigen sind; Definieren einer Situation C als eine Zusammenstellung von Sensordaten von einem Startzeitpunkt t_c bis zu einem Endzeitpunkt t_c+w; wobei das Verfahren außerdem folgende Schritte umfasst: Festlegen eines Distanzmesswerts ||·||; Festlegen einer Transformationsfunktion X, wobei die Transformationsfunktion das Modell M und andere Transformationen (z.B. die Identitätstransformation) benutzt und mit den Parameterwerten der Sensoren in S zu jedem möglichen Zeitpunkt t arbeitet, um eine entsprechende Matrix von reellen Zahlen der Größe h-mal-s (x(t)) zu erhalten; Erhalten von einer Datenbank einer Gruppe von gekennzeichneten Alarmsituationen C_i und zugeordneter Alarmsensoren S_i, wobei S_i eine Untergruppe von S ist; Arbeiten jeweils mit den Sensordaten der Situationen C und C_i unter Benutzung der Transformationsfunktion X, um eine Gruppe von Zuordnungen der in C enthaltenen Daten und C_i(T = {X(t_c), X(t_c+1), ...X(t_c+w)} und T ' / i{X(t_i), X(t_i+1), ... X(t_i+w)}) zu erhalten; Arbeiten mit der Gruppe von Zuordnungen unter Benutzung des Distanzmesswerts ||·||, um eine Gruppe von Distanzen zwischen der Zuordnung, die der Situation C entspricht, und den Zuordnungen, die jeder der Situationen C_i entsprechen, zu erhalten, wodurch die Distanz zwischen der Zuordnung, die einem bestimmten vergangenen Alarmzustand C_i entspricht, und die Zuordnung, die der Situation C entspricht, nur auf der Untergruppe von Messwerten basiert, die S_i entspricht; Vergleichen der Gruppe von Distanzen; und Auswählen der Situationen C_i, denen eine Distanz zu der Zuordnung der Situation C unterhalb eines voreingestellten Schwellenwerts A_i zugeordnet wird.According to one aspect of the invention, a method is provided for retrieving past alarm conditions or situations C _i , which correspond to a current system state or a current situation C, for the guidance of a system operator, the system having a plurality of sensors, the respective parameter values (x _i (t) ), the method comprising the steps of: assembling a database of sensor readings; Determining a subset S of s sensors of the plurality of sensors; Determining a subset N of h prediction times; Determining and training a model M for the database of sensor measurements to provide predictions of future values (xn / i (t)) for the s sensors S for the h times in N; Setting a width w to be used as the number of times of sensor data to be considered for a situation; Defining a situation C as a collection of sensor data from a start time t _c to an end time t _{c + w} ; the method further comprising the steps of: determining a distance measurement value || · ||; Defining a transformation function X, the transformation function uses the model M and other transformations (eg the identity transformation) and works with the parameter values of the sensors in S at every possible time t to produce a corresponding matrix of real numbers of size h-times-s ( x (t)); Obtaining from a database a group of designated alarm situations C _i and associated alarm sensors S _i , where S _{i is} a subset of S; Work with the sensor data of situations C and C _i using the transformation function X to obtain a set of assignments of the data in C and C _i (T = {X (t _c ), X (t _{c + 1} ), .. X (t _{c + w} )} and T '/ i {X (t _i ), X (t _{i + 1} ), ... X (t _{i + w} )}); Working with the group of assignments using the distance measure || · || to obtain a set of distances between the assignment corresponding to the situation C and the assignments corresponding to each of the situations C _i , whereby the distance between the assignment corresponding to a given past alarm condition C _i and the assignment corresponding to the situation C are based only on the subset of measurements corresponding to S _i ; Comparing the group of distances; and selecting the situations C _i to which a distance is assigned to the assignment of the situation C below a preset threshold A _i .

Gemäß einem anderen Aspekt der Erfindung ist ein System zum Abrufen vergangener Anlagenalarmzustände oder Situationen C_i, die einem aktuellen Anlagenzustand oder einer aktuellen Situation C gleichen, zur Führung eines Anlagenbedieners bereitgestellt, wobei die Anlage mehrere Sensoren aufweist, die jeweilige Parameterwerte (x_i(t)) bereitstellen, wobei das System aufweist: Mittel zum Zusammenstellen einer Datenbank mit Sensormesswerten; Mittel zum Festlegen einer Untergruppe S von s Sensoren aus der Vielzahl von Sensoren; Mittel zum Festlegen einer Untergruppe N von h Vorhersagezeitpunkten; Mittel zum Festlegen und Trainieren eines Modells M für die Datenbank mit Sensormesswerten, um Vorhersagen zukünftiger werte (x n / i(t)) für die s Sensoren S für die h Zeitpunkte in N bereitzustellen; Mittel zum Festlegen einer Breite w, die als die Anzahl von Zeitpunkten von Sensordaten zu benutzen ist, welche für eine Situation zu berücksichtigen sind; Mittel zum Definieren einer Situation C als eine Zusammenstellung von Sensordaten von einem Startzeitpunkt t_c bis zu einem Endzeitpunkt t_c+w; dadurch gekennzeichnet, dass das System außerdem aufweist: Mittel zum Festlegen eines Distanzmesswerts ||·||; Mittel zum Festlegen einer Transformationsfunktion X, wobei die Transformationsfunktion das Modell M und andere Transformationen (z.B. die Identitätstransformation) benutzt und mit den Parameterwerten der Sensoren in S zu jedem möglichen Zeitpunkt t arbeitet, um eine entsprechende Matrix von reellen Zahlen der Größe h-mal-s (X(t)) zu erhalten; Mittel zum Erhalten von einer Datenbank einer Gruppe von gekennzeichneten Alarmsituationen C_i und zugeordneter Alarmsensoren S_i, wobei S_i eine Untergruppe von S ist; Mittel zum Arbeiten jeweils mit den Sensordaten der Situationen C und C_i unter Benutzung der Transformationsfunktion X, um eine Gruppe von Zuordnungen der in C enthaltenen Daten und C_i(T = {X(t_c), X(t_c+1), .... X(t_c+w)} und T ' / i = {X(t_i), X(t_i+1), .... X(t_i+w)}) zu erhalten; Mittel zum Arbeiten mit der Gruppe von Zuordnungen unter Benutzung des Distanzmesswerts ||·||, um eine Gruppe von Distanzen zwischen der Zuordnung, die der Situation C entspricht, und den Zuordnungen, die jeder der Situationen C_i entsprechen, zu erhalten, wodurch die Distanz zwischen der Zuordnung, die einem bestimmten vergangenen Alarmzustand C_i entspricht, und die Zuordnung, die der Situation C entspricht, nur auf der Untergruppe von Messwerten basiert, die S_i entspricht; Mittel zum Vergleichen der Gruppe von Distanzen; und Mittel zum Auswählen der Situationen C_i, denen eine Distanz zu der Zuordnung der Situation C unterhalb eines voreingestellten Schwellenwerts A_i zugeordnet wird.According to another aspect of the invention, a system for retrieving past asset alert conditions or situations C _i that are similar to a current asset status or a current situation C is to guide a plant operator the system having a plurality of sensors providing respective parameter values (x _i (t)), the system comprising: means for assembling a database of sensor readings; Means for determining a subset S of s sensors of the plurality of sensors; Means for specifying a subset N of h prediction times; Means for establishing and training a model M for the database of sensor measurements to provide predictions of future values (xn / i (t)) for the s sensors S for the h times in N; Means for defining a width w to be used as the number of times of sensor data to be taken into account for a situation; Means for defining a situation C as a collection of sensor data from a start time t _c to an end time t _{c + w} ; characterized in that the system further comprises: means for determining a distance measurement value || · ||; Means for defining a transformation function X, the transformation function using the model M and other transformations (eg the identity transformation) and working with the parameter values of the sensors in S at each possible time t to produce a corresponding matrix of real numbers of size h times to obtain s (X (t)); Means for obtaining from a database a set of designated alarm situations C _i and associated alarm sensors S _i , where S _{i is} a subset of S; Means for operating in each case with the sensor data of situations C and C _i using the transformation function X to obtain a set of assignments of the data contained in C and C _i (T = {X (t _c ), X (t _{c + 1} ), .... X (t _{c + w} )} and T '/ i = {X (t _i ), X (t _{i + 1} ), .... X (t _{i + w} )}); Means for working with the group of assignments using the distance measurement value || · || to obtain a set of distances between the assignment corresponding to the situation C and the assignments corresponding to each of the situations C _i , whereby the Distance between the assignment corresponding to a given past alarm condition C _i and the assignment corresponding to situation C based only on the subset of measurements corresponding to S _i ; Means for comparing the group of distances; and means for selecting the situations C _i to which a distance is assigned to the assignment of the situation C below a preset threshold A _i .

Die Schwellenwerte A_i können für jede Alarmsituation angepasst werden, um nicht zu viele Fehlalarme auszulösen, wobei sie trotzdem bevorstehende Alarmzustände richtig identifizieren.The thresholds A _i can be adjusted for each alarm situation so as not to trigger too many false alarms while still properly identifying impending alarm conditions.

Das System benutzt ein prädiktives Modell, das trainiert ist, um zukünftige Anlagensensormesswerte anhand vergangener und aktueller Messwerte vorherzusagen, um als intelligentes Filter zu dienen, das in einem Alarmerkennungsprozess benutzt wird. Vergangene Alarmsituationen, die den aktuellen Situationen gleichen, werden mit Hilfe von Zuordnungen der Sensordaten abgerufen, darunter solcher, die von dem trainierten Vorhersagemodell bereitgestellt werden. Die Zuordnungen der Vergangenheit mit einer entsprechenden Wertung unterhalb eines Schwellenwerts zu der aktuellen Zuordnung entsprechen den Alarmzeitpunkten der Vergangenheit, die der aktuellen Situation ähnlich genug sind, um den Bediener zu warnen. Ein Hauptvorteil dieses Systems ist der, dass es aufgrund der Benutzung von Vorhersagen Alarmsituationen markieren kann, die dem zukünftigen Zustand der Anlage gleichen. Aufgrund dieser Vorauswarnung kann das System äußerst nützlich bei der Verhinderung und Abmilderung von Krisensituationen sein. Sobald der Alarmzustand identifiziert wurde, können die vergangenen Alarmsituationen analysiert werden, und die Anlagenbediener können prüfen, wie vergangene Steuerungsaktionen auf die Anlage eingewirkt haben, um so die geeignete Aktion auszuwählen.The System uses a predictive Model trained to future plant sensor readings using past and current readings to predict as to serve intelligent filter in an alarm recognition process is used. Past alarm situations affecting the current situations are retrieved using assignments of sensor data, including those provided by the trained predictive model. The assignments of the past with a corresponding rating below a threshold corresponding to the current allocation the alarm times of the past, which are similar enough to the current situation are to warn the server. A major advantage of this system is that it is due to the use of predictions alarm situations can mark the future Condition of the plant same. Because of this advance warning can the system is extremely useful prevention and mitigation of crisis situations. As soon as the alarm condition has been identified, the past alarm situations be analyzed, and the plant operators can examine how past control actions have acted on the plant so as to select the appropriate action.

1 zeigt Tabelle 1 und Tabelle 2, die einem umfassenderen Verständnis der Erfindung dienlich sind. 1 Table 1 and Table 2 are useful for a more complete understanding of the invention.

Um die oben genannte Aufgabe erfolgreich zu erfüllen umfasst ein Alarmerkennungsverfahren gemäß der Erfindung ausreichend Information, um den Anlagenzustand zuzuordnen, um zu wissen, welche Variablen für den Anlagenzustand dieser Situation entscheidend sind, und um Form nur dann zu benutzen, wenn dies wichtig ist. Auf Vorhersage beruhende Alarmerkennung gemäß den Grundgedanken der Erfindung führt all dies automatisch durch, ohne dass eine Einstellung oder Rückmeldung eines menschlichen Experten benötigt wird.Around To successfully accomplish the above object involves an alarm recognition method according to the invention sufficient information to allocate the asset state to know which variables for the plant condition of this situation are crucial, and to form to use only if this is important. Based on prediction Alarmerkennung according to the principles of Invention leads all this through automatically, without any adjustment or feedback needed by a human expert becomes.

Zu Erläuterungszwecken wird davon ausgegangen, dass ein prädiktives Modell M während der oben beschriebenen Phase des „Zuschauens und Lernens" trainiert wurde. Dieses Modell M stellt Vorhersagen für zukünftige Werte aller Sensoren bereit, die zuvor als Alarmsensoren identifiziert wurden. Das Modell M kann mit Hilfe vieler verschiedener adaptiver Verfahren trainiert werden; Beispiele hierfür sind Verfahren aus der Zeitreihenanalyse, wie z.B. die Verfahren AR, MA, ARIMA, Lernverfahren für neuronale Netzwerke, und Modellierungsverfahren für das Maschinenlernen und die Statistik.To explanation purposes It is assumed that a predictive model M during the above described phase of "watching and learning " has been. This model M provides predictions for future values of all sensors ready, previously identified as alarm sensors. The model M can be trained with many different adaptive techniques become; Examples of this are methods of time series analysis, e.g. the proceedings AR, MA, ARIMA, learning method for neural networks, and modeling techniques for machine learning and the statistics.

Dieses Verfahren benutzt das Modell als ein intelligentes, adaptives Filter, das den Ähnlichkeitsmesswert definiert, anhand dessen die Situationszuordnung bestimmt wird. Auf Vorhersage beruhende Alarmerkennung gemäß der vorliegenden Erfindung benutzt ein beliebiges prädiktives Modell als ein intelligentes adaptives Filter, auf dem die Alarmerkennung basiert.This Method uses the model as an intelligent, adaptive filter, that the similarity reading defines the situation assignment. Prediction-based alarm detection used in accordance with the present invention an arbitrary predictive Model as an intelligent adaptive filter on which the alarm detection based.

Wie oben erläutert, beruht die Alarmerkennung gemäß den Grundgedanken der vorliegenden Erfindung auf dem Situationszuordnungsverfahren. Das Situationszuordnungsverfahren vergleicht zwei Situationen und liefert eine „Ähnlichkeits"-Wertung. Eine Situation umfasst die Werte von allen oder einer Untergruppe der Sensoren in einem fortlaufenden Zeitintervall von einem Startzeitpunkt t_c bis zu einem Endzeitpunkt t_c+w. Eine Situation kann auf diese Weise durch eine Matrix dargestellt werden.As explained above, the alarm detection according to the principles of the present invention is based on the situation assignment method. The situation allocation method compares two situations and provides a "similarity" score: A situation includes the values of all or a subset of the sensors in a continuous time interval from a start time t _c to an end time t _{c + w} represented by a matrix.

In einem bevorzugten Ausführungsbeispiel umfasst ein Abrufen gemäß den Grundgedanken der vorliegenden Erfindung die folgenden Schritte.In a preferred embodiment a retrieval according to the principles the present invention, the following steps.

Festlegen einer Gruppe von Zeitpunkten der Vergangenheit, die Anlagenalarmzuständen C_i entsprechen.Defining a group of historical times corresponding to equipment alarm conditions C _i .

Festlegen einer Gruppe von Sensoren S_i für jeden vergangenen Alarmzustand C_i. Üblicherweise werden die Sensoren, die für jeden Alarmzustand ausgewählt werden, von Bedienern als für die Alarmsituation bedeutsam identifiziert.Set a group of sensors S _i for each past alarm condition C _i . Typically, the sensors selected for each alarm condition are identified by operators as being significant to the alarm situation.

Festlegen eines Alarmzuordnungsschwellenwerts A_i für jeden Alarmzustand C_i.Set an alarm allocation threshold A _i for each alarm condition C _i .

Festlegen einer Untergruppe von relevanten Sensoren zur Vorhersage, S, wobei s die Dimensionalität von S ist. Üblicherweise ist S die Vereinigung von S_i für alle i.Determining a subset of relevant sensors for prediction, S, where s is the dimensionality of S. Usually S is the union of S _i for all i.

Festlegen eines Distanzmesswerts ||A,B||, wobei A, B Matrizes mit derselben Anzahl von Zeilen und Spalten sind, wobei ||A,B|| eine reelle Zahl ist.Establish a distance measurement value || A, B ||, where A, B matrices with the same Number of rows and columns, where || A, B || a real number is.

Festlegen einer Situationsbreite w.Establish a situation width w.

Festlegen einer Transformationsfunktion x, die zu jedem Zeitpunkt t für alle Sensoren in S angewandt werden kann, um eine Matrix X(t) zu erzeugen. X umfasst üblicherweise umfasst s Transformationsfunktionen X_i, wobei X_i für den der Sensoren x_i ∈ S definiert ist. Üblicherweise benutzen diese Transferfunktionen das trainierte Modell M. Üblicherweise erzeugt das Anwenden von X_i zu einem bestimmten Zeitpunkt t einen Vektor X_i(t), der die Dimensionalität h aufweist. Die Vektoren werden dann zusammengruppiert, um eine Matrix X(t) der Größe h-mal-s zu erzeugen, wobei jede Spalte in X(t) dem Vektor entspricht, der durch Anwenden von X_i(t) für jedes x_i ∈ S erzeugt wurde. Verschiedene Kandidatenfunktionen für X sollen im Folgenden beschrieben werden. Üblicherweise wird X mehrmals zu verschiedenen Zeitpunkten in dem Fallfenster angewandt, um eine Matrix-Zeitreihe T zu erzeugen. (T ist eine Reihe von Matrizes X(t) zu verschiedenen Zeitpunkten.) T kann als eine Zuordnung von den Rohsensorwerten zu einer gefilterten Kombination dieser Werte betrachtet werden.Define a transformation function x that can be applied to all sensors in S at each instant t to generate a matrix X (t). X usually includes s transformation functions X _i , where X _{i is defined} for the sensor x _i ∈ S. Typically, these transfer functions use the trained model M. Typically, applying X _i at a particular time t produces a vector X _i (t) having the dimensionality h. The vectors are then grouped together to produce a matrix X (t) of size h-by-s, where each column in X (t) corresponds to the vector obtained by applying X _i (t) for each x _i ∈ S was generated. Various candidate functions for X will be described below. Usually, X is applied several times at different times in the case window to produce a matrix time series T. (T is a series of matrices X (t) at different times.) T can be considered as an association from the raw sensor values to a filtered combination of these values.

Festlegen eines Gesamtdistanzmesswerts O (T, T_i'), der die Ergebnisse der Anwendung des Distanzmesswerts ||·|| auf die zwei Matrix-Zeitreihen T und T_i' kombiniert. Es versteht sich, dass die Distanz, die für ein bestimmtes T_i' berechnet wird, das einem vergangenen Alarmzustand C_i entspricht, nur auf der Untergruppe von Messwerten von T basiert, die S_i entspricht.Defining a total distance measured value O (T, T _i '), which determines the results of the application of the distance measurement value || · || combined into the two matrix time series T and T _i '. It is understood that the distance calculated for a particular T _i 'corresponding to a past alarm state C _i is based only on the subset of measurements of T corresponding to S _i .

Wenn beispielsweise zwei Matrixreihen erzeugt werden, T = {X(t_i), X(t_i+i), ...X(t_i+w)} und T_i'={X(t_c), X(t_c+1), ...X(t_c+w)}, besteht der erste Schritt darin, die Distanzen zwischen entsprechenden Matrixpaaren ||X(t_c), X(t_i)||, X(t_c+1), X(t_i+1) ||X(t_c+w), X(t_i+w)|| zu berechnen, und die Ergebnisse dann zu einer einzigen Gesamtdistanz zu kombinieren. Ein einfaches Verfahren dafür ist es, alle diese Werte zu addieren, aber es sind auch andere Verfahren möglich. Beispielsweise könnte O die gewichtete Summe der verschiedenen Distanzen berechnen, oder sogar die Summe der Quadrate, usw.For example, if two series of matrices are generated, T = {X (t _i ), X (t _{i + i} ), ... X (t _{i + w} )} and T _i '= {X (t _c ), X (t _{c + 1} ), ... X (t _{c + w} )}, the first step consists in defining the distances between corresponding matrix pairs || X (t _c ), X (t _i ) ||, X (t _{c + 1} ), X (t _{i + 1} ) || X (t _{c + w} ), X (t _{i + w} ) || and then combine the results into a single total distance. A simple method of doing this is to add all these values, but other methods are possible. For example, O could calculate the weighted sum of the different distances, or even the sum of the squares, etc.

Eine bestimmte Situation C umfasst üblicherweise alle Sensorwerte, das heißt, die Werte, die von den Sensoren x in S von einem Startzeitpunkt der Situation t_c bis zu einem Endzeitpunkt der Situation t_c+w angezeigt werden.A particular situation C typically includes all sensor values, that is, the values displayed by the sensors x in S from a start time of the situation t _c to an end time of the situation t _{c + w} .

Die Y-Achse zeigt die Zeit in Minuten. Die X-Achse zeigt die 421 Merkmale (Sensoren), „?"-Werte sind in Rot, „0" in Grün, und echte Daten werden durch einen Grauwert zwischen Schwarz und Weiß dargestellt, dessen Dunkelheit proportional zu den Daten ist.The Y-axis shows the time in minutes. The X-axis shows the 421 features (Sensors), "?" Values are in red, "0" in green, and real Data is represented by a gray value between black and white, whose darkness is proportional to the data.

Um dann eine Alarmerkennung für einen Fall C durchzuführen, wird X(t) zu den Zeitpunkten t_c, t_c+1, ..., t_c+w auf die Daten angewandt, um eine Matrix-Zeitreihe T zu erzeugen. Zu jedem Zeitpunkt gibt X eine Vorhersagematrix X(t) der Größe h-mal-s aus. Ebenso wird X auf eine Kandidatensituation C_i der Vergangenheit für alle Sensoren in S_i von einem Startzeitpunkt t_i< t_c bis zu einem Endzeitpunkt t_i + w angewandt, um eine weitere Matrixzeitreihe T_i' zu erzeugen. Wenn die Kandidatensituation C_i eine Gesamtdistanz von C aufweist, wie sie durch O unterhalb des Schwellenwerts A_i festgelegt ist, wird C_i als ein passender Alarmzustand ausgegeben, wobei i eine Gruppe von Berücksichtigungszeitpunkten um spannt. Also entsprechen alle Indizes i, für die O(T, T_i') < A_i, einem Alarmzustand.Then, to perform alarm detection for a case C, X (t) is applied to the data at times t _c , t _{c + 1} , ..., t _{c + w} to generate a matrix time series T. At any given time, X outputs a predictive matrix X (t) of size h times-s. Similarly, X is applied to a candidate situation C _{i of} the past for all sensors in S _i from a start time t _i <t _c to an end time t _i + w to generate another matrix time series T _i '. If the candidate situation C _{i has} a total distance of C, as determined by 0 below the threshold A _i , C _{i is} output as an appropriate alarm condition, where i spans a set of consideration times. Thus, all indices i, for which O (T, T _i ') <A _i , correspond to an alarm state.

In dem Schritt des Festlegens der Untergruppe von Sensoren für jeden vergangenen Alarmzustand ist eine erste Wahlmöglichkeit, davon auszugehen, dass die Anlagenbediener eine Untergruppe S_i von Sensoren festlegen, die sie für allgemein relevant oder wichtig halten. Eine mögliche Möglichkeit der Voreinstellung besteht darin, alle Sensoren einzubeziehen.In the step of determining the subset of sensors for each past alarm condition, a first option is to assume that the plant operators set a subset S _i of sensors that they consider to be generally relevant or important. One possible way the default is to include all sensors.

In dem Schritt des Festlegens des Distanzmesswerts ist eine Auswahlmöglichkeit für den Distanzmesswert die mittlere quadratische Distanz: wenn A und B p-mal-s-Matrizen sind, das heißt A = [a_i,j] und B = [b_i,j], 0 ≤ i < p, 0 ≤ j < s, dann ||A,B|| = Σ_i,j(a_i,j – b_i,j)². Allerdings kann je nach Eignung jede Funktion benutzt werden, die ein Paar Matrizen einer reellen Zahl zuordnet. Beispielsweise die gewichtete absolute Distanz, das heißt ||A,B|| = Σ_i,j|α_i,j – b_i,j|, wobei α_i,j ein gewichteter Faktor ist, und |·| den Absolutwert bezeichnet. Es ist auch möglich, die Distanzfunktionen zu benutzen, die Merkmalen höherer Ebene zugeordnet sind, wie z.B. die Formzuordnung durch Erhebungsdetektion, Nulldurchgänge, Erfassen von Periodizitäten usw.In the step of setting the distance measurement value, a choice for the distance measurement is the mean square distance: if A and B are p-times-s matrices, that is, A = [a _{i, j} ] and B = [b _{i, j} ] , 0 ≤ i <p, 0 ≤ j <s, then || A, B || = Σ _{i, j} (a _{i, j} -b _{i, j} ) ² . However, any function that maps a pair of matrices to a real number can be used as appropriate. For example, the weighted absolute distance, that is, || A, B || = Σ _{i, j} | α _{i, j} -b _{i, j} |, where α _{i, j is} a weighted factor, and | · | denotes the absolute value. It is also possible to use the distance functions associated with higher-level features, such as the shape assignment by survey detection, zero crossings, periodicity detection, etc.

In dem Schritt des Festlegens der Situationsbreite, wobei es sich um die Größe des zur Alarmerkennung berücksichtigenden Zeitrahmens handelt, ist es eine erste Auswahlmöglichkeit, diese auf eine Breite zu stützen, die von den Bedienern festgelegt wird. Im Allgemeinen wird die Wahl der Breite dadurch bestimmt, wie schnell sich der Prozess verändert; das heißt, für Prozesse, deren Charakter sich schnell verändert, ist eine geringe Breite geeignet, während Prozesse, die sich langsamer verändern, eine größere Situationsbreite im Zusammenhang mit dem Situationsabruf benötigen. In der Praxis ist dies im Allgemeinen unkompliziert, da die Bediener eine recht klare Vorstellung von dem Umfang des relevanten Zeitrahmens in dem Herstellungsprozess haben, z.B. ob er im Bereich von Sekunden, Minuten, oder Stunden liegt. Bei sich schnell verändernden Prozessen, wie z.B. in einem Stahlwerk, könnte die Breite einem Zeitrahmen von 10 Millisekunden entsprechen, in einem sich langsamer verändernden Prozess, wie z.B. einer Zementanlage, könnte die Breite etwa 10 Minuten betragen. Bei Prozessen, die sich noch langsamer verändern, z.B. ökonomischen Prozessen, könnte die Breite im Bereich von Jahrzehnten liegen, während in noch langsameren Prozessen, wie z.B. der mittleren Jahrestemperatur der Erde, die Breite im Bereich von Jahrhunderten liegen könnte. Forschungen haben ergeben, dass die Breite nicht genau festgelegt werden muss; eine grob richtige Größenordnung kann zu einer zufrieden stellenden Alarmzustandserkennung führen.In the step of setting the situation width, which is the size of the Considering alarm recognition Timeframe, it is a first choice, this to a width to support, which is determined by the operators. In general, the choice becomes width determines how fast the process changes; the is called, for processes, whose character is changing fast, is a small width suitable, while processes that are slower change one greater situation width need in connection with the situation retrieval. In practice, this is generally straightforward because the operators have a pretty clear idea of the scope of the relevant time frame in the manufacturing process have, e.g. whether it's in the range of seconds, minutes, or hours lies. In fast-changing Processes, such as in a steel plant, the width could be a timeframe of 10 milliseconds, in a slower-changing manner Process, such as a cement plant, the width could be about 10 minutes be. For processes that change even more slowly, e.g. economic Processes, could widths are in the range of decades, while in even slower processes, such as. the mean annual temperature of the earth, the latitude in the Range of centuries could be. Research has shown that the width does not have to be specified exactly; a roughly correct one Magnitude can lead to a satisfactory alarm condition detection.

In dem Schritt des Festlegens der Transformationsfunktion ist zu beachten, dass ein Beispiel einer einfachen, bekannten Transformationsfunktion die Identitätstransformation ist, welche die Rohwerte der Sensoren x in S ausgibt. Die Dimensionalität des Vektors, der durch die Identitätstransformation erzeugt wird, ist h = 1. Der Begriff einer Transformationsfunktion, wie er hier benutzt wird, subsumiert nicht nur beliebige Funktionen für die Rohdaten, sondern auch Funktionen von Vorhersagen, die anhand dieser Daten getroffen werden.In note the step of setting the transformation function that an example of a simple, well-known transformation function the identity transformation which outputs the raw values of the sensors x in S. The dimensionality of the vector, by the identity transformation h = 1. The notion of a transformation function, as used here, not only subsumes arbitrary functions for the Raw data, but also functions of predictions based on this Data are taken.

Es ist entscheidend, dass das prädiktive Modell M an den Daten trainiert wird. Es ist das Modell, das als ein intelligentes Filter dient und die Schlüsselfunktion in den T-Zuordnungen bereitstellt. Für Daten aller Sensoren bis zu einem Startzeitpunkt t_c einer Situation, für einen Sensor x_i ∈ S, stellt Modell M Vorhersagen für den Wert von x_i(t_c + n) an einem oder mehreren Zeitpunkten n > 0 in der Zukunft bereit. „n" wird als der Horizont bezeichnet. H soll eine vordefinierte Horizontgruppe sein, die h unterschiedliche Horizontwerte enthält. x n / i(t_c) soll die Vorhersage von M für den Wert von x_i(t_c + n) bezeichnen. M stellt diese Vorhersagen für alle x_i ∈ S für alle n ∈ H bereit. In einem weiteren Schritt in dem vorliegenden Ausführungsbeispiel wird einer von mehreren passenden Messwerten für C und für alle Kandidaten-Alarmsituationen C_i der Vergangenheit berechnet. Beispielsweise können die Messwerte auf den 5 Transformationen „Vorhersage-von", „Vorhersage-bis", „Vorhersage-bis-Fehler", „ΔVorhersage-von" oder „ΔVorhersage-zu" basieren, wie weiter unten erläutert werden soll.It is crucial that the predictive model M is trained on the data. It is the model that serves as an intelligent filter and provides the key function in the T mappings. For data of all sensors up to a start time t _{c of} a situation, for a sensor x _i ∈ S, model M provides predictions for the value of x _i (t _c + n) at one or more times n> 0 in the future. "N" is called the horizon H shall be a predefined horizon group containing h different horizon values xn / i (t _c ) shall denote the prediction of M for the value of x _i (t _c + n) M represents these predictions for all x _i ∈ S for all n ∈ H. In a further step in the present embodiment, one of several suitable measurements for C and for all candidate alarm situations C _{i of} the past is calculated Transformations "prediction-from", "prediction-to", "prediction-to-error", "prediction-from-prediction" or "prediction-to-prediction" are based, as will be explained below.

In einem weiteren Schritt werden die Werte von n in H festgelegt. Zu Erläuterungszwecken gehen die folgenden 5 Transformationen davon aus, dass H = {1,2,5,10,15,30,60}, und von einer Dimensionalität h von N, h = 7. Allerdings können beliebige Werte für n in H benutzt werden, solange n > 0, und M für den Horizont n Vorhersagen erzeugt. Die unten stehenden Beispiele definieren die Funktionsform von x_i(t) für die oben genannte Gruppe von Horizonten. X(t) wird durch die Gruppierung der Vektoren X_i(t) in eine h-mal-s-Matrix konstruiert. Eine Anzahl von X(t)s wird über den Vergleichsoperator O mit dem X(t) verglichen, das C entspricht, und t mit demjenigen X(t), das der besten Zuordnung entspricht, würde als die passende Zeit ausgewählt. Ein Verfahren zum Berechnen der passenden Zeit ist wie folgt:

t_c: die Startzeit des Falls ist,
w: die Breite ist,
S: eine Gruppe von relevanten Sensorindizes ist.

In a further step, the values of n are set in H. For illustration purposes, the following 5 transformations assume that H = {1,2,5,10,15,30,60}, and of a dimensionality h of N, h = 7. However, any values for n in H may be used as long as n> 0, and M produces predictions for the horizon n. The examples below define the functional form of x _i (t) for the above group of horizons. X (t) is constructed by grouping the vectors X _i (t) into an h by s matrix. A number of X (t) s is compared via the comparison operator O with the X (t) corresponding to C, and t with the X (t) corresponding to the best allocation would be selected as the appropriate time. A method of calculating the appropriate time is as follows:

t _c: the start time of the case is,
w: the width is,
S: is a group of relevant sensor indices.

Einige beispielhafte X_i-Transformationen sind wie folgt definiert:

A. „Vorhersage-von"-Transformation: Mit Hilfe dieser Transformation erstellt das Modell für eine Gruppe von Sensoren eine Vorhersage von dem aktuellen Zeitpunkt bis zu Zeitpunkten in der Zukunft. Das Modell dient als ein intelligentes Filter, und die Alarmerkennung beruht auf neu zugeordneten Sensordaten. Sensorinformation, die für den Anlagenzustand wichtig ist, aber nicht unbedingt in den relevanten Sensoren enthalten ist, kann in die Berechnung einbezogen werden, wenn sich das Modell auf den Messwert des Sensors bezieht, um einen relevanten Sensor vorherzusagen.
Vorhersage von dem Modell M für Sensor i, n Minuten in der Zukunft von Zeitpunkt t
B. „Vorhersage-bis"-Transformation: Dieses Zuordnungskriterium gleicht dem Kriterium Vorhersage-von, bis auf den Unterschied, dass anstelle der Vorhersage von einem bestimmten Zeitpunkt aus in die Zukunft Vorhersagen von vergangenen Zeitpunkten aus mit verschiedenen Versetzungen getroffen werden, so dass jedes Modell eine Vorhersage des aktuellen Messwerts des Sensors bereitstellt. Dieses Zuordnungsverfahren weist ähnliche Vorteile auf wie das Vorhersage-von-Verfahren, indem das Modell als ein intelligentes Filter dient, und die Alarmerkennung auf neu zugeordneten Sensordaten beruht, und in derselben Weise Sensorinformation, die für den Anlagenzustand wichtig ist, aber nicht unbedingt in den relevanten Sensoren enthalten ist, in die Berechnung einbezogen werden kann, wenn sich das Modell auf den Messwert des Sensors bezieht, um einen relevanten Sensor vorherzusagen.
Vorhersage von dem Modell M für Sensor i, n Minuten in der Zukunft von Zeitpunkt t
C. „Vorhersage-bis-Fehler"-Transformation: Diese Zuordnungstransformation erzeugt dieselben Vorhersagen wie das Vorhersage-bis-Verfahren, aber es berechnet den Fehler in den Vorhersagen (sowohl zu dem aktuellen Zeitpunkt als auch zu vergangenen Zeitpunkten), bevor ein Vergleich zu einer abschließenden Wertungsberechnung führt. Diese Transformation kann gute Ergebnisse erzielen bei Modellen, die in Fallsituationen ungenaue Vorhersagen treffen; sie liefert keine guten Leistungen, wenn das Modell sehr genau ist. x_i(t) = Sensormesswert zum Zeitpunkt t
Vorhersage von dem Modell M für Sensor i, n Minuten in der Zukunft von Zeitpunkt t
Hinweis:
= Fehler für Vorhersage vor n Minuten
D. „ΔVorhersage-von"-Transformation: Diese Transformation ist ähnlich wie die Zuordnungstransformation Vorhersage-von, mit dem Unterschied, dass sie die Differenz der Veränderung von dem aktuellen Sensormesswert gegenüber den Vorhersagen als Grundlage benutzt. Ein Vorteil dieses Messwerts ist, dass er nicht amplitudensensibel ist. x_i(t) = Messwert des Sensors i zum Zeitpunkt t
Vorhersage von dem Modell M für Sensor i, n Minuten in der Zukunft von Zeitpunkt t
E. „ΔVorhersage-bis"-Transformation: Diese Transformation gleicht der Zuordnungstransformation Vorhersage-bis, bis auf den Unterschied, dass sie die Differenz der Veränderung von dem aktuellen Sensormesswert gegenüber den Vorhersagen als Grundlage benutzt. Ein Vorteil dieses Messwerts ist, dass er nicht amplitudensensibel ist. x_i(t) = Sensormesswert zum Zeitpunkt t
Vorhersage von dem Modell M für Sensor i, n Minuten in der Zukunft von Zeitpunkt t

Some exemplary X _i transformations are defined as follows:

A. Predict-From Transformation: This transformation uses a model of a group of sensors to predict from the current time to future time points, the model acts as a smart filter, and the alarm recognition is based on newly assigned ones Sensor information Sensor information that is important for the system status, but not uncommon may be included in the calculation if the model relates to the sensor reading to predict a relevant sensor.
Prediction of the model M for sensor i, n minutes in the future from time t
"Predict-to" transformation: This allocation criterion is similar to the prediction-from criterion, except for the difference that instead of predicting from a particular point in time into the future, predictions are made from past times with different offsets, so that each one This allocation method has similar advantages as the prediction-from method in that the model serves as an intelligent filter, and the alarm detection is based on newly assigned sensor data, and in the same way sensor information relevant to the sensor the condition of the system is important, but is not necessarily included in the relevant sensors, can be included in the calculation when the model refers to the measured value of the sensor to predict a relevant sensor.
Prediction of the model M for sensor i, n minutes in the future from time t
C. "Predict-to-Error" Transformation: This assignment transformation generates the same predictions as the prediction-to-process, but it computes the error in the predictions (both at the current time and at past times) before comparing a final score calculation leads This transformation can achieve good results for models that meet in case situations inaccurate predictions;.., it does not provide good performance when the model is very accurate x _i (t) = sensor reading at time t
Prediction of the model M for sensor i, n minutes in the future from time t
Note:
= Error for prediction n minutes ago
D. "Prediction-From" Transformation: This transformation is similar to the Prediction-From mapping transformation, except that it uses the difference in change from the current sensor reading versus the predictions as an advantage is not amplitude sensitive x _i (t) = measured value of the sensor i at time t
Prediction of the model M for sensor i, n minutes in the future from time t
E. "Prediction-to" transformation: This transformation is similar to the Predictive-to mapping transformation, except for the difference that it uses the difference of the change from the current sensor reading versus the predictions as a basis, an advantage of this reading is that it does not amplitude sensi bel is. x _i (t) = sensor reading at time t
Prediction of the model M for sensor i, n minutes in the future from time t

Es versteht sich, dass die vorliegende Erfindung dafür vorgesehen ist, unter Benutzung eines Digitalrechners implementiert zu werden. Obwohl die vorliegende Erfindung anhand von Ausführungsbeispielen erläutert wurde, werden Fachleute verstehen, dass verschiedene Änderungen und Modifikationen vorgenommen werden können, ohne von dem Umfang der Erfindung abzuweichen, der durch die folgenden Ansprüche definiert ist.It it will be understood that the present invention is intended for this purpose is to be implemented using a digital computer. Although the present invention has been explained with reference to exemplary embodiments, Professionals will understand that various changes and modifications have been made can be without departing from the scope of the invention, by the following claims is defined.

Claims

A method for retrieving past asset alert conditions or situations C _i , which are similar to a current asset state or situation C, for managing a plant operator, the plant having a plurality of sensors providing respective parameter values (x _i (t)), the method comprising the steps of comprising: assembling a database of sensor readings; Determining a subset S of s sensors of the plurality of sensors; Determining a subset N of h prediction times; Determining and training a model M for the database of sensor measurements to provide predictions of future values (xn / i (t)) for the s sensors S for the h times in N; Setting a width w to be used as the number of times of sensor data to be considered for a situation; Defining a situation C as a collection of sensor data from a start time t _c to an end time t _{c + w} ; characterized in that the method further comprises the steps of: determining a distance measurement value || · ||; Defining a transformation function X, the transformation function uses the model M and other transformations (eg the identity transformation) and works with the parameter values of the sensors in S at every possible time t to produce a corresponding matrix of real numbers of size h-times-s ( X (t)) to obtain; Obtaining from a database a group of designated alarm situations C _i and associated alarm sensors S _i , where S _{i is} a subset of S; Work with the sensor data of situations C and C _i using the transformation function X to obtain a set of assignments of the data in C and C _i (T = {X (t _c ), X (t _{c + 1} ), .. X (t _{c + w} )} and T '/ i {X (t _i ), X (t _{i + 1} ), ... X (t _{i + w} )}); Working with the set of assignments using the distance measure || · || to obtain a set of distances between the map corresponding to the situation C and the maps corresponding to each of the situations C _i , thereby reducing the distance between the assignment corresponding to a given past alarm condition C _i and the assignment corresponding to the situation C are based only on the subset of measurements corresponding to S _i ; Comparing the group of distances; and selecting the situations C _i to which a distance is assigned to the assignment of the situation C below a preset threshold A _i .

The method of claim 1, wherein the subgroup S contains the entire variety of sensors.

The method of claim 1, wherein the subgroup S is preselected from the large number of sensors.

The method of claim 1, wherein in the step of comparing C is compared to all possible candidate states C _{i of} the past from a predetermined start time.

The method of claim 1, wherein the distance measurement is the square mean distance or the absolute distance.

The method of claim 1, including a step of using the predictive model M to provide predictions for the value of x _i (t _c + n) at one or more times, n> 0 in the future, where "n" is the horizon is denoted, and xn / i (t _c ) denotes the prediction of M for the value of x _i (t _c + n), which is defined as the value of the sensor _i at time t _c + n.

Method according to claim 1, comprising a step where M such predictions for all x in S for provides a predetermined set of some horizons N.

The method of claim 1, wherein in the transformation function x _i using the predictive model, M has the form:

Prediction of the model M for sensor i, n minutes in the future from time t

The method of claim 1, wherein in the transformation function X _i using the predictive model, M is in the form of:

Prediction of the model M for sensor i, n minutes in the future from time t

The method of claim 1, wherein in the transformation function X _i using the predictive model, M is in the form of: x _i (t) = sensor reading at time t

Prediction of the model M for sensor i, n minutes in the future from time t

Note:

= Error for prediction n minutes ago

Method according to claim 1, wherein in the transformation function X _i using the predictive model, M has the form: x _i (t) = measured value of the sensor i at time t

Prediction of the model M for sensor i, n minutes in the future from time t

A system for retrieving past asset alert conditions or situations C _i that are similar to a current asset state or situation C, for managing a plant operator, the plant having a plurality of sensors providing respective parameter values (x _i (t)), the system comprising: Means for assembling a database of sensor readings; Means for determining a subset S of s sensors of the plurality of sensors; Means for specifying a subset N of h prediction times; Means for establishing and training a model M for the database of sensor readings to provide predictions of future values (xn / i (t)) for the s sensors S for the h times in N; Means for defining a width w to be used as the number of times of sensor data to be taken into account for a situation; Means for defining a situation C as a collection of sensor data from a start time t _c until an end time t _{c + w} ; characterized in that the system further comprises: means for determining a distance measurement value || · ||; Means for determining a transformation function x, the transformation function using the model M and other transformations (eg the identity transformation) and working with the parameter values of the sensors in S at each possible time t to produce a corresponding matrix of real numbers of size h times to obtain s (X (t)); Means for obtaining from a database a set of designated alarm situations C _i and associated alarm sensors S _i , where S _{i is} a subset of S; Means for operating in each case with the sensor data of situations C and C _i using the transformation function X to obtain a set of assignments of the data contained in C and C _i (T = {x (t _c ), x (t _{c + 1} ), ... X (t _{c + w} )} and T = {X (t _i ), X (t _{i + 1} ), ... X (t _{i + w} )}); Means for working with the group of assignments using the distance measurement value || · || to obtain a set of distances between the assignment corresponding to the situation C and the assignments corresponding to each of the situations C _i , whereby the Distance between the assignment corresponding to a given past alarm condition C _i and the assignment corresponding to situation C based only on the subset of measurements corresponding to S _i ; Means for comparing the group of distances; and means for selecting the situations C _i to which a distance is assigned to the assignment of the situation C below a preset threshold A _i .